Prognozowanie popytu: metody i najczęstsze błędy
Prognoza popytu decyduje o tym, ile towaru zamówisz i ile zamrozisz w zapasie. Oto metody, miary trafności i błędy, które zdarzają się najczęściej.
Prognozowanie popytu to szacowanie, ile towaru klienci kupią w danym okresie. Na tej podstawie planuje się zakupy, produkcję, zatrudnienie i miejsce w magazynie. Nie istnieje metoda, która trafia zawsze, ale dobrze dobrana technika i regularna kontrola błędu pozwalają ograniczyć zarówno braki, jak i nadmiar zapasów. Poniżej przegląd najczęściej stosowanych metod, miar trafności i pułapek.
Skąd brać dane do prognozy
Podstawą jest historia sprzedaży, najlepiej z co najmniej dwóch pełnych cykli sezonowych. Warto oczyścić ją z jednorazowych zdarzeń, takich jak duża akcja promocyjna, brak towaru na półce czy zamówienie specjalne, bo zniekształcają obraz zwykłego popytu. Sprzedaż w okresie braku towaru nie jest popytem, tylko jego zaniżonym śladem.
Do danych o sprzedaży dochodzą informacje zewnętrzne: kalendarz promocji, planowane zmiany cen, sezon, święta i zapowiedzi dużych klientów. W firmach B2B bardzo cenna jest wiedza handlowców o planach odbiorców.
Metody ilościowe
| Metoda | Jak działa | Kiedy się sprawdza |
|---|---|---|
| Naiwna | przyjmuje, że popyt będzie taki jak w poprzednim okresie | stabilny popyt, punkt odniesienia dla innych metod |
| Średnia ruchoma | średnia z ostatnich n okresów | popyt bez wyraźnego trendu i sezonu |
| Średnia ważona | nowsze okresy mają większą wagę | popyt, który powoli się zmienia |
| Wygładzanie wykładnicze | nowa prognoza to poprzednia plus część błędu | wiele pozycji, prosta automatyzacja |
| Modele z trendem i sezonowością | rozdzielają poziom, trend i wahania sezonowe | towary sezonowe, dłuższa historia |
| Regresja | łączy popyt z czynnikami, np. ceną lub promocją | gdy znane są czynniki wpływające na sprzedaż |
W wygładzaniu wykładniczym stała wygładzania, zwykle między 0 a 1, decyduje o wrażliwości. Wysoka wartość szybko reaguje na zmiany, ale przenosi też przypadkowe wahania. Niska daje spokojną prognozę, która z opóźnieniem zauważa realną zmianę.
Metody jakościowe
Gdy brakuje historii, na przykład przy nowym produkcie, stosuje się oceny ekspertów, ankiety wśród klientów i porównanie z podobnymi wyrobami. Dobrym uzupełnieniem prognozy statystycznej jest korekta od handlu, która uwzględnia znane, ale jeszcze niewidoczne w danych zdarzenia. Warunek jest jeden: korekty trzeba zapisywać i rozliczać, żeby wiedzieć, czy ręczna ingerencja poprawia wynik.
Jak mierzyć trafność prognozy
Błąd prognozy to różnica między tym, co przewidziano, a tym, co się sprzedało. Najczęściej używane miary:
- MAE, czyli średni błąd bezwzględny, wyrażony w sztukach,
- MAPE, czyli średni błąd procentowy, wygodny w porównaniach, ale zawodzący przy popycie bliskim zera,
- BIAS, czyli średni błąd ze znakiem, który pokazuje, czy prognozy są systematycznie zawyżone, czy zaniżone,
- WAPE, czyli suma błędów bezwzględnych podzielona przez sumę sprzedaży, dobra dla całych grup produktów.
Przykład obliczenia
Prognoza na trzy tygodnie wynosiła 100, 120 i 110 sztuk, sprzedaż to 90, 130 i 100. Błędy bezwzględne to 10, 10 i 10, więc MAE wynosi 10 sztuk. Suma sprzedaży to 320, suma błędów 30, zatem WAPE to 30/320, czyli około 9,4%.
Mierz trafność na poziomie, na którym podejmujesz decyzje. Prognoza dla całej firmy bywa dokładna, a dla pojedynczego indeksu bardzo słaba. Dla pozycji o zróżnicowanej rotacji pomocny jest podział, jaki daje analiza ABC i XYZ: im bardziej nieregularny popyt, tym większy zapas bezpieczeństwa zamiast próby trafienia co do sztuki.
Najczęstsze błędy
- Traktowanie sprzedaży jak popytu, mimo braków towaru w okresie historycznym.
- Jedna metoda dla całego asortymentu, choć towary mają różny charakter.
- Brak pomiaru błędu, więc nikt nie wie, czy prognoza jest lepsza niż zgadywanie.
- Zbyt częste ręczne poprawki, które pogarszają wynik.
- Ignorowanie kalendarza promocji i zmian cen.
- Prognoza liczona osobno w każdym ogniwie, bez wymiany informacji, co sprzyja efektowi byka.
Prognozowanie przy popycie nieregularnym
Towary sprzedawane rzadko i nieregularnie, na przykład części zamienne, mają wiele okresów z zerową sprzedażą. Zwykła średnia ruchoma daje wtedy wartości, które nigdy się nie zdarzają, a MAPE traci sens. W takich przypadkach stosuje się metody dla popytu przerywanego albo prognozuje się łączny popyt w czasie dostawy i dobiera zapas bezpieczeństwa. Najważniejsze jest rozpoznanie tego typu towaru w asortymencie i potraktowanie go inaczej niż pozycji stałych.
Pomocne jest też łączenie danych. Prognoza całej grupy produktów bywa trafna, a następnie rozdzielana na indeksy według udziałów. Takie podejście od góry w dół redukuje wpływ losowych wahań pojedynczych pozycji.
Od prognozy do zapasów
Prognoza sama nie ustala zamówień. Trzeba jeszcze uwzględnić czas dostawy, wielkość partii i poziom obsługi, jaki firma chce zapewnić. Dla produkcji kolejnym krokiem jest planowanie potrzeb materiałowych MRP, które przelicza prognozę na zamówienia komponentów.
Na start wystarczy prosty cykl: wybierz metodę bazową, policz BIAS i WAPE co miesiąc, porównaj z prognozą naiwną i zmień metodę dopiero wtedy, gdy wyraźnie przegrywa. Jeśli wyrafinowany model nie pobija najprostszej prognozy, nie ma powodu go utrzymywać.
Czytaj dalej
Efekt byka w łańcuchu dostaw: skąd się bierze i jak go tłumić
Efekt byka sprawia, że niewielkie wahania sprzedaży w sklepie zamieniają się u producenta w duże skoki zamówień. Wyjaśniamy, skąd się bierze i co z nim zrobić.
Just in time: dostawy na czas i ryzyka tej metody
Just in time to metoda, w której materiały docierają dokładnie wtedy, gdy są potrzebne. Zapasy maleją, ale rośnie wrażliwość na każde opóźnienie.
Łańcuch dostaw: co to jest i z jakich ogniw się składa
Łańcuch dostaw to sieć firm i działań, dzięki którym towar trafia od surowca do klienta. Oto jego ogniwa, przepływy i podstawowe pojęcia.


